[發明專利]一種圖像去噪方法及裝置

在審

• 申請號: 201710801285.2
• 申請日: 2017-09-07
• 公開（公告）號: CN107516304A
• 公開（公告）日: 2017-12-26
• 發明（設計）人: 蔡念;張福;伍吉修;岑冠東;陳新度
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

1.一種圖像去噪方法，其特征在于，包括：

將待處理圖像輸入訓練好的卷積神經網絡模型中，得到輸出圖像，所述卷積神經網絡模型包括多層卷積層以及每一卷積層對應的激活函數，所述卷積神經網絡用于對輸入圖像的噪聲特征進行學習及提取；

將所述待處理圖像與輸出圖像進行相減運算，得到去噪后的圖像。

2.根據權利要求1所述的圖像去噪方法，其特征在于，所述卷積神經網絡所包含卷積層的層數d與輸入圖像的像素大小的關系滿足：所述輸入圖像的像素大小表示為(4d+1)x(4d+1)。

3.根據權利要求2所述的圖像去噪方法，其特征在于，所述卷積層的卷積核大小滿足：當輸入圖像經過最后一層卷積層時，所述卷積神經網絡覆蓋所述輸入圖像的全部像素。

4.根據權利要求1所述的圖像去噪方法，其特征在于，所述卷積層進行的卷積運算描述為：

xil=F(Σi∈Mjxil-1*wi,jl+bjl);]]>

其中，表示第l層卷積層輸出的特征圖，表示第l-1層卷積層輸出的特征圖，表示卷積運算的卷積核，M_j表示選擇輸入的特征圖，表示偏置，F表示激活函數。

5.根據權利要求4所述的圖像去噪方法，其特征在于，采用的激活函數為Relu函數，表示為f(x)＝max(x,0)，其中x表示輸入。

6.根據權利要求1所述的圖像去噪方法，其特征在于，還包括：使用作為訓練樣本的圖像數據，對所述卷積神經網絡進行訓練；

在對所述卷積神經網絡訓練過程中，下降梯度的方法為：若當前梯度值β₀≥θ，則將梯度值調整為其中θ為設定的梯度閾值。

7.根據權利要求6所述的圖像去噪方法，其特征在于，在對所述卷積神經網絡訓練過程中，設定初始學習率，每進行預先設定的迭代次數后，學習率變動為上一學習率乘以預設值。

8.一種圖像去噪裝置，其特征在于，包括：

第一運算模塊，用于將待處理圖像輸入訓練好的卷積神經網絡模型中，得到輸出圖像，所述卷積神經網絡模型包括多層卷積層以及每一卷積層對應的激活函數，所述卷積神經網絡用于對輸入圖像的噪聲特征進行學習及提取；

第二運算模塊，用于將所述待處理圖像與輸出圖像進行相減運算，得到去噪后的圖像。